利用近似贝叶斯计算校准一个大黄蜂觅食模型
摘要：1. 使用先验知识对复杂模型进行校准的挑战可以通过使用先验参数知识来解决。然而，Bayesian推断的自然选择使用马尔可夫链蒙特卡洛（MCMC）采样时可能计算量很大。当数据的似然性难以计算时，已经提出了其他的贝叶斯方法。近似贝叶斯计算（ABC）只需要从数据生成模型中进行采样，但当数据维度很高时可能存在问题。 2. 我们研究了在应用于地理位置明确的寻食模型的ABC校准中处理高维数据的替代策略。首先建立了一组具有足够生物学意义（即与原始数据一样多）的摘要统计量，然后在此数据集上应用ABC。将回归调整和使用机器学习方法来近似ABC后验分位数的两种ABC策略进行了比较，以验证对模型估计和真实参数值的覆盖度。该比较基于模拟数据和两个现场研究数据。 3. 模拟数据的结果显示，某些模型参数比其他参数更容易校准。基于随机森林的方法在模拟数据上总体表现更好。它们在现场数据上也表现良好，尽管后验预测分布的方差较高。非线性回归调整的表现优于线性回归调整，传统的ABC拒绝算法表现糟糕。 4. ABC是生物学中复杂模型校准的一种有趣且吸引人的方法，如具有空间明确性的寻食模型。然而，虽然ABC方法容易实现，但需要进行大量调优。
作者：Charlotte Baey and Henrik G. Smith and Maj Rundl"of and Ola Olsson and Yann Clough and Ullrika Sahlin
论文ID：2204.03287
分类：Applications
分类简称：stat.AP
提交时间：2023-04-27